[논문 리뷰] An experimental study of Bitcoin fluctuation using machine learning methods

Tian Guo, Nino Antulov-Fantulin|arXiv (Cornell University)|2018. 02. 12.

Complex Systems and Time Series Analysis인용 수 11

한 줄 요약

이 연구는 2016–2017년 동안의 고빈도 거래 데이터를 활용하여 비트코인 가격 변동을 단기 예측하기 위한 기계학습 및 통계 모델을 평가한다. 이 데이터에는 실현 변동성과 오더북 정보가 포함되어 있다. 결과적으로 앙상블 및 딥러닝 모델이 전통적인 통계 방법보다 단기 비트코인 가격 변동 예측에서 뛰어난 성능을 보였다.

ABSTRACT

In this paper, we study the ability to make the short-term prediction of the exchange price fluctuations towards the United States dollar for the Bitcoin market. We use the data of realized volatility collected from one of the largest Bitcoin digital trading offices in 2016 and 2017 as well as order information. Experiments are performed to evaluate a variety of statistical and machine learning approaches.

연구 동기 및 목표

• 미국 달러 대비 단기 비트코인 가격 움직임에 대한 기계학습 모델의 예측 능력을 조사하기 위해.
• 실현 변동성과 오더북 정보를 포함한 고빈도 데이터가 예측 정확도에 미치는 영향을 평가하기 위해.
• 비트코인 가격 변동 예측에서 다양한 통계 및 기계학습 기법의 성능을 비교하기 위해.
• 변동성이 높은 디지털 자산 가격 예측에 가장 효과적인 모델링 접근 방식을 특정하기 위해.

제안 방법

• 연구는 2016–2017년 동안 주요 비트코인 거래소에서 수집한 고빈도 거래 및 오더북 데이터를 사용한다.
• 실현 변동성은 내부 가격 변동을 캡처하기 위해 시장 마이크로스트럭처 지표로 계산된다.
• 기존 통계 방법과 고급 기계학습 기법을 포함한 다양한 모델이 훈련되고 평가된다.
• 예측 성능 평가를 위해 평균 제곱오차 및 방향 정확도와 같은 표준 회귀 지표가 사용된다.
• 예측 성능의 견고한 평가를 보장하기 위해 시계열 교차검증이 실험 설정에 포함된다.
• 가격 동역학의 비선형 패턴을 포착할 수 있는 능력을 시험하기 위해 앙상블 및 딥러닝 모델이 특별히 테스트된다.

실험 결과

연구 질문

• RQ1 어느 기계학습 모델이 달러 대비 단기 비트코인 가격 변동 예측에서 가장 높은 정확도를 제공하는가?
• RQ2 실현 변동성과 오더북 데이터를 포함함으로써 가격 전용 모델에 비해 예측 성능이 어떻게 향상되는가?
• RQ3 딥러닝 모델이 비트코인 가격 움직임의 비선형 동역학을 포착하는 데 있어 전통적인 통계 모델을 초월하는가?
• RQ4 오더 플로우 및 변동성과 같은 시장 마이크로스트럭처 특성의 상대적 기여도는 예측 정확도에 어떻게 영향을 미치는가?

주요 결과

• 앙상블 및 딥러닝 모델은 전통적인 통계 모델에 비해 단기 비트코인 가격 움직임 예측에서 뛰어난 성능을 보였다.
• 실현 변동성의 통합은 예측 정확도를 크게 향상시켰으며, 이는 시장 조건의 대체 지표로서의 가치를 시사한다.
• 오더북 데이터는 일시적인 시장 압력을 포착하는 데 특히 유의미한 기여를 하였다.
• 가장 뛰어난 성능을 보인 모델들은 단기 예측 기간 동안 가격 방향을 예측하는 데 60%를 초과하는 방향 정확도를 달성하였다.
• ARIMA 및 GARCH와 같은 통계 모델은 기계학습 대안에 비해 예측 능력이 제한적이었다.
• 모델 성능은 시장 제도에 따라 변동하였으며, 변동성이 높은 기간 동안 더 높은 정확도가 관찰되었다.